KEM Konstruktion 03.2024

Bild: Fraunhofer IEM
Im Gegensatz zur diskriminativen KI schafft GenAI gänzlich neue
Inhalte und ist in der Lage, mit uns über die natürliche Sprache
zu kommunizieren.
menschliche Sprache authentisch vorherzusagen.
Zweitens brauchen wir lediglich unsere natürliche
Sprache, um heute verfügbaren Generative-AI-Tools
Arbeitsaufträge zu geben. Das Arbeiten mit KI-Modellen
war bisher Programmierer:innen vorbehalten,
die komplexen Code in Python oder C++ beherrschten.
Jetzt tippen wir unsere Befehle in einen Chatbot
oder sprechen sie ein. Generative AI ermöglicht es
uns, Künstliche Intelligenz mit geringem Aufwand
und ohne Fachwissen zu nutzen. Und die Technologie
entwickelt sich in rasantem Tempo weiter: Wissenschaft
und Industrie arbeiten daran, die Modelle weiter
zu verbessern und mit verschiedenen Ansätzen zu
kombinieren, um zum Beispiel die Nachvollziehbarkeit
und vor allem die Verlässlichkeit der Modelle zu
verbessern.
Von ChatGPT zur eigenen GenAI-Lösung
Können offen zugängliche Generative-AI-Tools wie
ChatGPT, Midjourney und Co. bereits in der Entwicklung
komplexer technischer Systeme helfen? Wir sagen:
Ja, in bestimmten Teilbereichen der Produktentwicklung
ist es durchaus möglich, auf diese Werkzeuge
zurückzugreifen – etwa für Routinetätigkeiten
wie Zusammenfassungen oder die Ideengenerierung.
Zwei Faktoren beschränken dies allerdings: Erstens
ist die Datenbasis, auf die diese Tools zurückgreifen,
für komplexe Engineering-Aufgaben bei weitem
nicht ausreichend. Entwicklungsdaten sind hochsensibel
und wertvoll. Diese werden von der Industrie
selbstverständlich nicht ins Netz gestellt. Deshalb ist
es zweitens auch wichtig, mit den eigenen Entwicklungsdaten
ebenso umsichtig zu agieren. Denn wer
den eigenen Anforderungskatalog von ChatGPT bearbeiten
lässt, macht diese Daten unter Umständen der
Öffentlichkeit zugänglich.
Wollen wir Generative AI von der Anforderungserhebung
über die Systemspezifikation hin zur Inte -
gration nutzen, führt am Aufbau einer vertraulichen
Lösung also kein Weg vorbei. Ein Weg, der sich lohnt:
Mit eigenen Daten- und KI-Modellen erwarten uns
enorme Effizienzsteigerungen.
Ein Beispiel ist die Dokumentation – eine Aufgabe,
die Teil eines jeden Entwicklungsprozesses ist und
viele Kapazitäten bindet. Hier kommen vor allem die
texterstellenden Algorithmen zum Einsatz. Ähnlich
wie ChatGPT können sie bestehenden Softwarecode
kommentieren und dadurch die Nachvollziehbarkeit
im Entwicklungsprozess deutlich erhöhen. Um Fehler
der KI auszuschließen, blickt am Ende ein:e Mitarbeiter:in
über das Konzept und hat den Arbeitsschritt so
mit deutlich weniger Aufwand erledigt.
Ein zweites Beispiel ist die Anforderungsanalyse, die
früh im Entwicklungsprozess definiert, was das spätere
Produkt leisten soll. Recherche und Auswertung
der dafür relevanten Informationen – wie Marktbeobachtung,
Betriebsdaten vorheriger Produktgenerationen,
Kundenwünsche oder Normen und Standards
– sind händisch ein langwieriger Prozess, der von
einer spezialisierten KI in nur einem Bruchteil der
Zeit erledigt werden kann.
Ein drittes Beispiel ist der Systementwurf – wenn das
spätere Produkt sowohl als technisches System als
auch als Bestandteil seines Umfeldes modelliert wird.
Eine generative KI kann hier eine Vielzahl an
Lösungsalternativen erzeugen und – je nach Priorität
der Anforderungen – automatisiert Vorschläge für
verschiedene spätere Designoptionen machen. So
wie beim Engineering-Assistenten Michael, weiß das
Entwicklungsteam in wenigen Augenblicken, welche
Auswirkungen der aktuelle Systementwurf auf wichtige
Aspekte wie das Design, aber auch die Nachhaltigkeit
des späteren Produktes hat.
Für KI-basierte Engineering-Tools benötigen wir sehr
spezielle und individuelle Daten. Oftmals handelt es
sich zudem um kritische interne Unternehmens -
KEM Konstruktion|Automation » 03 | 2024 17